论文部分内容阅读
随着数字信号调制方式愈加复杂多样,自动调制方式识别(Automatic Modulation Classification,AMC)已成为一个重要研究课题。如何在现有调制方式识别技术的基础上,提出一种信号处理更加简单、识别结果更加准确的方法是调制方式识别领域亟待解决的问题。本文在现有AMC研究成果的基础上,从简化信号处理部分的工作量入手,探索将深度学习(Deep Learning,DL)应用到调制方式识别领域的方法和技术途径。论文对DL中的深度置信网络(Deep Belief Network,DBN)和卷积神经网络(Convolutional Neural Network,CNN)进行了分析和研究,应用这两种网络对数字信号特征集进行特征提取和调制方式识别。论文主要研究内容如下:1、利用星座图投影算法(Graphic Constellation Projection,GCP)将信号的星座图投影到人工图片上,然后将人工图片送入到DBN中进行特征学习和识别,得到信号的调制方式。该方法的提出得益于DBN强大的图片识别能力,仿真结果表明本方法的识别性能优于对比方法中的性能。2、提出了一种基于幅度谱特征和相位特征(Amplitude Spectra Feature and Phase Feature,ASFPF)以及一维CNN的调制方式识别方法。该方法构造了两级级联CNN的数字信号调制方式分类器,它能够提取到隐藏在简单输入特征中的调制类型相关的信息。在该分类器中,第一个CNN网络能够抓取出信号幅度谱的不同特征,第二个CNN网络能够区分信号相位的不同特征。3、提出了一种可以识别多种调制方式的识别算法。该方法先将接收到的信号进行Hilbert正交变换,然后将变换后信号的同相分量和正交分量送入到CNN进行处理。CNN逐层提取出信号的特征并依据已知的数字调制信号特征,实现信号调制方式的自动识别。与常规AMC方法需要大量的计算获得信号特征参数的方法相比,本文所提的基于DL的数字信号调制方式识别方法实现简单,并且仿真结果表明在低信噪比下仍然具有较高的识别性能。